tika in action主体内容

最新推荐文章于 2020-06-27 09:32:49 发布

_xiao__

最新推荐文章于 2020-06-27 09:32:49 发布

阅读量516

点赞数

CC 4.0 BY-SA版权

分类专栏： tika

本文链接：https://blog.youkuaiyun.com/xqk709008281/article/details/78634096

Apache Tika是一个内容分析工具，专注于从各种文件格式中抽取文本和元数据。它利用MIME类型识别、SAX解析和元数据模型，如XMP，来提供文本内容和文件属性。Tika在搜索引擎、内容存储库、文本分析和数字资产管理等领域有广泛应用。通过Tika，开发者可以轻松添加和移除解析器，以适应不同的文件格式。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

chapter1
1.1数字文档协议
   Adode Photoshop：pdf,psd,jpg,gif,png....
   Microsoft Office:xls,doc,docx,xlsx,,vsd...
   Firefox,IE,Safari,etc:html,xthml,xml,rdf,rss...
1.1.1一种文件格式分类
   MIME(Multipurpose Internet Mail Extensions) 标准
   多用途互联网邮件扩展类型
1.1.2解析库
   文件格式多
   应用程序之间不允许别的程序很容易得到文本内容
   替换方法是实现或者使用一种文件格式解析库
   java标准库中的java.util.zip 解析库包
1.1.3作为通用的结构化文本
   应用要求
   XML Html最普遍的使用范围最广的文件格式
   程序关注的内容
1.1.4通用的元数据
   “data about data”：描述数据的数据，主要是描述数据的属性（property）的信息。
   元数据模型
   XMP标准（可扩展元数据平台）：用于处理和涉及到的文件的内容储存信息的标准。
   Property类：提供PropertyType和值类型枚举捕获的元数据的名称和值
   metadata类：提供元数据模型的支持，提供各种方法来提取一个文件的内容
   N-grams算法支持语言选择
1.1.5理解一切的程序？
   search engine
   文件>识别文件的格式>选择合适的解析器>提供解析后的原文的数据和解析后的元数据
   apache Lucene...

TILL(tag image file format)标签图像文件格式

1.2什么是apache tika
1.2.1一些历史
1.2.2关键设计目标
   tika全部的架构
   new parsers can be easily added and removed from the framework
   统一的parser接口：
   低内存占用和快速处理